2026-06-07T08:10:16Z https://ipsj.ixsq.nii.ac.jp/oai

oai:ipsj.ixsq.nii.ac.jp:00195215 2025-01-19T23:10:21Z 1164:2822:9758:9759

組込みプロセッサ用AI処理向けベクトルユニットの設計 Design of Vector Unit for AI Acceleration in Embedded Processor 井出, 陽介 鈴木, 宏海 森, 祐樹 山崎, 信行 Yosuke, Ide Hiromi, Suzuki Yuki, Mori Nobuyuki, Yamasaki マイクロアーキテクチャ 近年，AI アプリケーションが幅広い分野で用いられるようになり，その学習や認識に用いられるニューラルネットワーク (NN) の高速化手法が盛んに研究されている．High-Performance Computing (HPC) 向けの研究では GPU や FPGA，特定 NN 特化の ASIC を用いた手法等が提案されている．しかしながら，これらの手法は電力消費や面積の観点から組込み向けに適用するのは難しい．一方で組込みプロセッサの中にはマルチメディア処理向けにベクトルユニットを備えているものがある．本研究では組込みプロセッサである Responsive Multithreaded Processor (RMTP) のベクトルユニットを拡張し，畳み込みニューラルネットワークで頻繁に実行される畳み込み演算の性能向上を図った．ベクトル演算は長いベクトルに対する性能向上の効果が大きい一方で，二次元状でサイズの小さいカーネルを用いる畳み込み演算に対しては非効率となってしまう．そこで，ロード時に一次元のベクトルになるようデータ整形を行うことによって畳み込み演算の効率向上を図った．さらに，ベクトルユニットに低精度な演算を用いた SIMD 演算を導入し，複数のカーネルに対する畳み込み演算を並列に行うことで，計算精度とトレードオフに処理の高速化を行った． In recent years, AI is applied in wide range of fields. Its learning and recognition are based on Neural Network (NN), which are actively studied. Although for High-Performance Computing (HPC), GPU, FPGA or ASIC specialized to certain NN is proposed, it is not easy to apply them to embedded applications because of power consumption and area constraints. On the other hand, some embedded processors adopt vector units for multimedia application. In this study, extended vector load function and lower precision SIMD operation are added to vector units to accelerate convolution, which is executed in Convolutional Neural Network. 情報処理学会 2019-03-10 jpn technical report https://ipsj.ixsq.nii.ac.jp/records/195215 2188-868X AA12149313 研究報告組込みシステム（EMB） 2019-EMB-50 23 1 6 https://ipsj.ixsq.nii.ac.jp/record/195215/files/IPSJ-EMB19050023.pdf application/pdf 1.2 MB